Veröffentlicht am: Aug 15, 2018
Dieser Quick Start erstellt eine Data-Lake-Umgebung zur Entwicklung, Schulung und Bereitstellung von Machine-Learning-Modellen (ML mit Amazon SageMaker in der Amazon Web Services (AWS) Cloud. Die Bereitstellung dauert etwa 10-15 Minuten und nutzt AWS-Services wie Amazon Simple Storage Service (Amazon S3), Amazon API Gateway, Amazon Kinesis Data Streams und Amazon Kinesis Data Firehose.
Amazon SageMaker ist eine verwaltete Plattform für Entwickler und Datenwissenschaftler zur schnellen und einfachen Entwicklung, Schulung und Bereitstellung von ML-Modellen.
Dieser Quick Start ermöglicht End-to-End-Datenwissenschaft für prädiktive und präskriptive Modelle, ohne komplexe ML-Hardwarecluster konfigurieren zu müssen.
Der Quick Start enthält eine Demo von Pariveda Solutions. Sie zeigt, wie Sie Rohdaten in Amazon S3 speichern, diese zur Aufnahme in Amazon SageMaker verwandeln, Amazon SageMaker zur Entwicklung eines Modells verwenden und das Modell in einer Prädiktions-API für Amazon Elastic Compute Cloud (Amazon EC2) Spot-Preisgestaltung hosten.
Dies sind Ihre ersten Schritte:
- Lesen Sie die Architektur und Details
- Sehen Sie sich das Bereitstellungshandbuch an, das weitere Details enthält.
- Laden Sie die AWS CloudFormation-Vorlagen zur Automatisierung der Bereitstellung herunter
Weitere Referenzbereitstellungen für AWS Quick Start finden Sie in unserem Katalog.
Quick Starts sind automatisierte Referenzbereitstellungen, die anhand von AWS CloudFormation-Vorlagen und unter Einhaltung von AWS-Best-Practices Schlüsseltechnologien auf AWS implementieren. Dieser Quick Start endstand in Zusammenarbeit mit Pariveda Solutions, Inc.